Assistance in the use and exploitation of Formal Concepts Analysis for non-specialists in data analysis

De nombreuses approches ont été élaborées pour extraire des connaissances à partir des données. On distingue traditionnellement l’analyse descriptive et l’analyse prédictive. Nous nous focalisons dans cette thèse sur l’analyse descriptive des données et plus particulièrement sur l’Analyse de Concepts Formels (ACF), qui permet de construire des clusters recouvrants (appelés concepts formels) dont la signification est explicite. Il existe une relation d’ordre partiel entre les concepts formels résultant de l’ACF, qui sont organisés en une structure mathématique appelée treillis de Galois. Malgré ses nombreux avantages, l’ACF est peu accessible à des utilisateurs non experts de l’analyse de données. En effet, malgré les représentations graphiques des treillis de Galois, ceux-ci restent difficiles à interpréter, notamment lorsque les données sont volumineuses. De plus, la construction des données d’entrée de l’ACF sous la forme d’un contexte formel peut être délicate. Pour cela, nous avons proposé une méthodologie d’interprétation des treillis de Galois reposant sur un ensemble de métriques simples, dont les résultats sont présentés sous une forme visuelle aussi intuitive que possible. Nous avons également développé des stratégies pour construire des contextes formels qui, non seulement, dénaturent le moins possible les données initiales, mais permettent aussi de tenir compte des besoins de l’utilisateur en termes de recherche d’information.Many data analysis techniques have been developed to extract knowledge from the data. The two traditional approaches are descriptive analysis and predictive. We focus in this thesis on descriptive data analysis, and in particular on Formal Concepts Analysis (FCA). This approach builds overlapping clusters (called formal concepts) whose meaning is explicit. There is a partial order relationship between the formal concepts resulting from FCA, which are organized in a mathematical structure called a Galois lattice. Despite its advantages, FCA is poorly accessible to users who are not experts in data analysis. Although graphical representations of Galois lattices exist, their interpretation remains difficult for large data. Moreover, the construction of FCA input data, called formal context, can be tricky. For this, we have proposed a methodology for Galois lattice interpretation based on a set of simple metrics, the results of which are presented in a visual form as intuitive as possible. We have also developed strategies for constructing formal contexts that not only remain as close to the initial data as possible, but also take into consideration the user's needs in terms of information retrieval